高薪员工正被自动化取代，企业降本增效新趋势
（来源：麻省理工科技评论）
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
当人们讨论“自动化”和“AI取代工作”时，往往联想到技术浪潮席卷职场，追求效率似乎是唯一目标。然而，麻省理工学院经济学家主导的一项最新研究揭示了一个更为现实且发人深省的驱动因素：自1980年以来，美国企业推进自动化的首要动机，常常并非为了提升生产效率，而是为了替代那些薪酬相对较高的员工。
换言之，企业引入机器与算法，在许多情况下并非旨在突破生产力边界，而是为了精准地“优化”掉一类特定劳动力——那些凭借资深经验或专业技能，获得了高于市场平均水平的“溢价工资”的工人。这一趋势尤其冲击了那些虽无大学文凭，却在实践中积累了高价值技能的劳动者。
自动化加剧不平等的深层影响
这一发现至少包含两层深刻含义。首先，自动化对美国收入不平等现象的“贡献度”，可能远超普遍认知。其次，自动化带来的生产力提升之所以表现平平，很可能是因为企业更多地将其用作降低成本的工具，而非探索更具创新性和长期增长潜力的技术路径。
“自动化存在一种低效的靶向性问题。”该研究的合著者、MIT经济学家达隆·阿西莫格鲁指出，“某个岗位的工人工资越高，自动化对该企业的吸引力就越大。”理论上，企业本可以更高效地部署自动化技术，但现实是，它们往往选择了一条更“务实”的路径：利用自动化来削减薪酬支出。这种做法或许能在短期内改善财务报表，却未必能为企业铺设最优的长期增长轨道。
研究量化了这一影响。据估算，在1980年至2016年间美国收入不平等的加剧中，高达52%可归因于自动化。其中，约10个百分点专门源于企业针对高薪员工的这种“精准替换”。更具讽刺意味的是，这种低效的替代行为，竟然抵消了同期自动化所带来的60%至90%的生产力增益。
“这可能是美国生产力增长长期乏力的原因之一。”阿西莫格鲁分析道，“我们拥有海量的新专利、惊人的新技术，但审视生产力数据，结果却相当黯淡。”
这篇题为《自动化与租金消散：对工资、不平等和生产力的影响》的论文，发表于《经济学季刊》五月刊。作者是阿西莫格鲁（MIT院士教授，2024年诺贝尔经济学奖得主）和耶鲁大学经济学副教授帕斯夸尔·雷斯特雷波。自2010年代以来，两位学者合作进行了大量关于自动化影响的研究，他们的总体结论是，1980年后自动化对劳动力市场的塑造力，比此前学术界认为的要显著得多。
在新研究中，他们运用了美国人口普查局、社区调查等多源数据，将劳动力细分为500个人群组（按教育水平、性别、年龄和族裔划分），并与美国49个行业的变化进行交叉分析。这种精细化的研究方法，不仅让他们计算出自动化淘汰的岗位总数，更测算出其中有多少是专门针对“工资溢价”的精准打击。
结果发现，在受自动化冲击的工人中，薪资处于第70到95百分位（即收入偏高但并非顶层的群体）的员工承受了最大冲击。分析表明，美国收入不平等总增长中，约有五分之一可归因于这一单一因素。
“我认为这是一个很大的数字。”阿西莫格鲁评论道。他进一步补充：“自动化当然是经济增长的引擎，未来我们仍会继续依赖它。但它确实在资本与劳动之间、以及不同劳动群体之间，制造了巨大的不平等。因此，过去几十年美国不平等的加剧，自动化扮演的角色可能比许多人预想的更为关键。”
自动化与生产力增长之谜
这项研究还揭示了一个常被企业管理者忽视的基本选择。设想一下，某种自动化技术（例如一套呼叫中心系统）对企业整体效率而言可能并不经济，但管理者仍有动力部署它：因为它能压低工资成本，从而运营一家虽然整体生产力更低、但净利润却更高的企业。
将视角提升至整个经济层面，1980年以来的美国似乎一直在上演这个故事的某个版本：企业盈利能力的提升，并不等同于全社会生产力的进步。
“这两件事是截然不同的，”阿西莫格鲁解释道，“你完全可以在降低生产力的同时，实现成本的下降。”
这个结论，不禁让人回想起已故MIT经济学家罗伯特·索洛在1987年那句著名的调侃：“计算机时代随处可见，唯独在生产力统计中不见其踪影。”沿着这个思路，阿西莫格鲁指出：“如果管理者能通过降低1%的生产力来增加利润，很多人可能会乐于这么做。这取决于他们的优先级和价值取向。因此，我们论文的另一个重要启示是：优质的自动化和不那么优质的自动化，正被捆绑在一起推向市场。”
当然，这绝不意味着自动化越少越好。某些类型的自动化确实能显著提升生产力，并形成良性循环——企业利润增长，进而雇佣更多员工。但阿西莫格鲁认为，当前社会对自动化复杂性的认识还远远不够。或许，厘清过去四十多年美国自动化的历史规律，能帮助我们更好地理解其中的权衡与取舍。
“关键在于，这些认识能否融入公众和决策者的思考框架。我们在对自动化进行全面评估时，尤其是在考量其对不平等、生产力和劳动力市场的深远影响时，最终会得出什么结论？”阿西莫格鲁总结道。
如果我们能更审慎地甄别自动化的类型与应用程度，引导其朝着更有利于生产力提升和社会包容性发展的方向演进，那么我们完全有可能收获更大的经济增长红利。这，无疑是一个更优的战略选择。
相关攻略
企业推动自动化的首要动机常为替换高薪员工，而非提升效率。这精准打击了拥有技能溢价但无大学文凭的劳动者，显著加剧了收入不平等。1980至2016年间，美国收入不平等增长中约52%可归因于自动化，其中约五分之一直接源于此“靶向”行为。讽刺的是，这种为削减成本而进行的低效替换，抵消了同期大。
导入SVG文件后，图层列表里密密麻麻、嵌套混乱，是不是让你瞬间头大？别担心，这几乎是每个Figma用户都会遇到的“经典”问题。好消息是，通过几个系统性的方法，完全可以高效地清理这些杂乱，让文件恢复清爽。下面就来详细拆解三种从自动化到根源处理的核心策略。 一、使用Simplify插件批量合并路径与简化
如今，机器人的“眼睛”越来越尖了。它们能追踪仓库里工人的动向，识别前台的访客，将人脸与快递单匹配，甚至在销售代表踏入会议室前，就调出客户的档案。这一切，都得益于视觉能力的飞速进步。 更厉害的是，许多自动化系统已经不满足于“看见”，它们开始尝试“理解”。通过调用大语言模型，系统能为捕捉到的视觉信息补充
在编程开发中，处理包含格式的代码字符串时，一个常见挑战是如何高效移除字符串起始处因排版而添加的无意义前导空白。这些空白字符虽不影响视觉，却可能干扰代码解析与执行逻辑。JavaScript 提供的 String prototype trimStart() 方法，正是为解决此类问题而生的利器。 简单来说
价格通道自动化交易平台推荐与算法实现指南 在量化交易的世界里，价格通道策略因其清晰的规则和易于自动化的特性，始终占有一席之地。然而，将策略从纸面逻辑转化为稳定盈利的自动化系统，平台的选择与算法的精细实现是关键。这不仅是技术活，更是一场关于效率、成本和风险控制的综合考量。 价格通道自动化交易平台top
热门专题
热门推荐
在AI技术日新月异的今天，如何让机器真正掌握复杂技能，始终是行业探索的核心。这有点像教育孩子，仅仅提供答案是不够的，关键在于教会他们独立思考的方法。最近，一项由ServiceNow、蒙特利尔大学、麦吉尔大学和蒙特利尔高等商学院联合完成的研究，为这个难题提供了一个巧妙的解决方案。这项发表于arXiv预
人工智能的训练，一直像在教学生“标准答案”。但现在，风向变了。一项由加州大学戴维斯分校与Google DeepMind等机构合作的研究，提出了一种碘伏性的新思路：与其告诉AI“答案是什么”，不如教会它“该看哪里”。这项发表于2026年2月（论文编号：arXiv:2602 04884v1）的工作，为多
想象一下，你是一位数学家，脑海中有一个模糊的定理轮廓，知道它一定存在于浩如烟海的文献中，却不知从何找起。传统的搜索工具，无论是谷歌学术还是最新的AI助手，都像是在一个巨大的图书馆里，只能告诉你“你要的书大概在哪个区域”，而无法精准定位到那一页。这种困境，不仅耗费研究者无数时间，甚至可能导致重复劳动—
这项由复旦大学自然语言处理实验室与上海奇绩智丰公司合作完成的研究，已于2026年2月正式发布，相关论文可在arXiv平台查阅，编号为arXiv:2602 04210v1。对技术实现细节感兴趣的开发者或研究人员，可依据此编号获取完整论文进行深入研读。 人工智能的能力正突飞猛进，但一个普遍的困境也随之出
监测城市建筑的变化，过去对科学家来说，就像在巨大的拼图上用放大镜寻找细微差异，既费力又低效。但现在，情况正在改变。一项由法国Retgen AI公司团队主导、并于2026年1月30日发布在arXiv平台（编号：arXiv:2601 22596v1）的研究，带来了一个突破性的工具——覆盖法国全境的超大规